Este proyecto automatiza la obtención y procesamiento de datos oficiales del Índice de Precios al Consumidor (IPC) directamente desde la API del Banco Central de Chile (BCCh), permitiendo el cálculo automatizado de los principales indicadores de inflación.
¿Por qué usar una API?
Este enfoque proporciona una solución robusta para el monitoreo continuo de la inflación, combinando técnicas modernas de ciencia de datos con información económica oficial (extracción automatizada de datos, procesamiento avanzado, visualización profesional y análisis estructural).
El análisis implementa el marco conceptual oficial del Banco Central de Chile para:
(IPC_t / IPC_t-1 - 1) × 100(IPC_t / IPC_t-12 - 1) × 100(IPC_t / IPC_dic-1 - 1) × 100El stack de econometría implementado en R requiere las siguientes librerías clave:
library(httr) # Conexión segura a APIs REST (protocolos HTTPS)
library(jsonlite) # Procesamiento eficiente de datos JSON (estructura API BCCh)
library(lubridate) # Manipulación avanzada de fechas (serie temporal mensual)
library(dplyr) # Transformación de datos con sintaxis tidyverse (pipe operator %>%)
library(ggplot2) # Visualización estática profesional (gramática de gráficos)
library(plotly) # Dashboards interactivos (hover tooltips, zoom dinámico)
library(zoo) # Cálculo de indicadores financieros (rolling averages, lags) Autenticación en la API del BCCh
Antes de ejecutar la siguiente parte del código, debes:
Función robusta para obtener datos directamente desde la API del Banco Central de Chile:
get_bcch_data <- function(series_code, start_date = NULL, end_date = NULL) {
#' Obtiene datos del Banco Central de Chile
#'
#' @param series_code Código de la serie (ej: "F074.IPC.IND.Z.EP23.C.M")
#' @param start_date Fecha de inicio en formato "YYYY-MM-DD" (opcional)
#' @param end_date Fecha de fin en formato "YYYY-MM-DD" (opcional)
#' @return Dataframe con los datos de la serie
#'
# Construir URL de la API
base_url <- "https://si3.bcentral.cl/SieteRestWS/SieteRestWS.ashx"
# Verificar credenciales
if (Sys.getenv("BCCH_USER") == "" || Sys.getenv("BCCH_PASS") == "") {
stop("Credenciales BCCH no encontradas. Configure las variables de entorno BCCH_USER y BCCH_PASS")
}
# Función auxiliar para obtener el rango completo de fechas
get_date_range <- function(series_code) {
query_params <- list(
user = Sys.getenv("BCCH_USER"),
pass = Sys.getenv("BCCH_PASS"),
timeseries = series_code,
operation = "GetSeries" # Esta operación devuelve el rango completo
)
response <- GET(url = base_url, query = query_params, timeout(30))
data <- fromJSON(content(response, "text", encoding = "UTF-8"))
if (!"Series" %in% names(data)) {
stop("No se pudo determinar el rango de fechas disponible")
}
dates <- data$Series$Obs$indexDateString
date_objects <- as.Date(dates, format = "%d-%m-%Y")
return(list(
first_date = min(date_objects),
last_date = max(date_objects)
))
}
# Determinar fechas si no se especifican
if (is.null(start_date) || is.null(end_date)) {
date_range <- get_date_range(series_code)
if (is.null(start_date)) start_date <- format(date_range$first_date, "%Y-%m-%d")
if (is.null(end_date)) end_date <- format(date_range$last_date, "%Y-%m-%d")
message(paste("Usando rango completo de fechas disponibles:",
start_date, "a", end_date))
}
# Validar parámetros de entrada
if (!grepl("^\\d{4}-\\d{2}-\\d{2}$", start_date) || !grepl("^\\d{4}-\\d{2}-\\d{2}$", end_date)) {
stop("Las fechas deben estar en formato 'YYYY-MM-DD'")
}
if (as.Date(start_date) > as.Date(end_date)) {
stop("La fecha de inicio debe ser anterior a la fecha de fin")
}
# Crear consulta con fechas determinadas
query_params <- list(
user = Sys.getenv("BCCH_USER"),
pass = Sys.getenv("BCCH_PASS"),
firstdate = start_date,
lastdate = end_date,
timeseries = series_code,
operation = "GetSeries"
)
# Hacer la petición con manejo de errores
tryCatch({
response <- GET(url = base_url, query = query_params, timeout(30))
if (http_status(response)$category != "Success") {
stop(paste("Error en la API:", http_status(response)$message))
}
if (length(content(response, "text", encoding = "UTF-8")) == 0) {
stop("La API no devolvió datos")
}
data <- fromJSON(content(response, "text", encoding = "UTF-8"))
if (!"Series" %in% names(data) || !"Obs" %in% names(data$Series)) {
stop("Estructura de datos inesperada de la API")
}
processed_data <- data$Series$Obs %>%
mutate(
date = as.Date(indexDateString, format = "%d-%m-%Y"),
value = as.numeric(value),
series_code = series_code,
year = year(date),
month = month(date, label = TRUE, abbr = FALSE),
day = day(date)
) %>%
select(series_code, date, year, month, day, value) %>%
arrange(date)
return(processed_data)
}, error = function(e) {
stop(paste("Error al obtener datos:", e$message))
})
}Este proceso automatiza la descarga de datos oficiales del Índice de Precios al Consumidor (IPC) directamente desde la API del Banco Central de Chile, garantizando precisión y actualización en tiempo real.
Detalles Técnicos
Nota: Para otras series (ej. IMACEC, tasa de desempleo), modificar series_code según el catálogo del BCCh.
Transformación de datos brutos del IPC en métricas de inflación estandarizadas:
# Obtener los valores de diciembre como referencia
dec_baselines <- ipc_data %>%
filter(month(date) == 12) %>%
mutate(ref_year = year(date) + 1) %>%
select(ref_year, dec_value = value)
# Calcular todas las métricas de inflación
ipc_processed <- ipc_data %>%
arrange(date) %>% # Ordenamos por fecha
mutate(
year = year(date),
month = month(date, label = TRUE, abbr = FALSE),
month_year = format(date, "%Y-%m")
) %>%
# Unir con los valores de referencia de diciembre
left_join(dec_baselines, by = c("year" = "ref_year")) %>%
# Calcular las tres métricas principales
mutate(
# Inflación mensual (variación respecto al mes anterior)
monthly_inflation = (value / lag(value, 1) - 1) * 100,
# Inflación anual (variación respecto al mismo mes del año anterior)
annual_inflation = (value / lag(value, 12) - 1) * 100,
# Inflación acumulada (variación respecto a diciembre del año anterior)
bcch_accumulated = (value / dec_value - 1) * 100
) %>%
# Limpiar y organizar el output
select(
date,
month_year,
year,
month,
ipc_index = value,
monthly_inflation,
annual_inflation,
accumulated_inflation = bcch_accumulated
) %>%
# Redondear todos los porcentajes a 1 decimal
mutate(across(c(monthly_inflation, annual_inflation, accumulated_inflation),
~round(., 1)))
# Mostrar las primeras filas del resultado
head(ipc_processed)## date month_year year month ipc_index monthly_inflation
## 1 2009-12-01 2009-12 2009 diciembre 57.31 NA
## 2 2010-01-01 2010-01 2010 enero 57.61 0.5
## 3 2010-02-01 2010-02 2010 febrero 57.77 0.3
## 4 2010-03-01 2010-03 2010 marzo 57.82 0.1
## 5 2010-04-01 2010-04 2010 abril 58.09 0.5
## 6 2010-05-01 2010-05 2010 mayo 58.30 0.4
## annual_inflation accumulated_inflation
## 1 NA NA
## 2 NA 0.5
## 3 NA 0.8
## 4 NA 0.9
## 5 NA 1.4
## 6 NA 1.7Representación gráfica para diagnóstico económico:
i. Inflación mensual
plot_monthly <- ggplot(ipc_processed, aes(x = date, y = monthly_inflation)) +
geom_col(
aes(fill = monthly_inflation < 0), # Colores distintos para inflación positiva/negativa
width = 20,
alpha = 0.8,
show.legend = FALSE
) +
scale_fill_manual(
values = c("#005293", "#E2001A"),
guide = "none"
) +
geom_hline(yintercept = 0, color = "black", linewidth = 0.7) +
labs(
title = "Inflación Mensual en Chile 2009-2025",
subtitle = "Variación porcentual mes a mes",
x = NULL,
y = "Variación % mensual",
caption = "Fuente: Elaboración propia en base a datos del Banco Central de Chile"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
panel.grid.major.x = element_blank(),
axis.text = element_text(size = 10),
plot.caption = element_text(color = "gray50"),
legend.position = "none"
)
# Convertir a gráfico interactivo con plotly
ggplotly(plot_monthly) %>%
layout(
hovermode = "x unified",
annotations = list(
x = 0.5, y = -0.3,
text = "Nota: Barras azules = inflación +; Barras rojas = inflación -",
showarrow = FALSE,
xref = "paper", yref = "paper"
)
)El gráfico muestra la volatilidad característica de la inflación mensual, con eventos destacados:
ii. Inflación anual
plot_annual <- ggplot(ipc_processed %>% filter(!is.na(annual_inflation)),
aes(x = date, y = annual_inflation)) +
geom_line(color = "#005293", size = 0.5) +
# Líneas para el rango meta del BCCh (2%-4%)
geom_hline(yintercept = c(2, 4), linetype = "dashed", color = "#E2001A") +
geom_hline(yintercept = 0, color = "black") +
labs(
title = "Inflación Anual en Chile 2009-2025",
subtitle = "Variación porcentual en 12 meses",
x = NULL,
y = "Variación % anual",
caption = "Fuente: Elaboración propia en base a datos del Banco Central de Chile\nLíneas punteadas: Rango meta de inflación BCCh (2%-4%)"
) +
theme_minimal() +
scale_y_continuous(breaks = seq(-2, 15, by = 1))
# Versión interactiva
ggplotly(plot_annual) %>%
layout(
hovermode = "x unified",
annotations = list(
x = 0.5, y = -0.3,
text = "El rango meta de inflación del BCCh es 2%-4% anual",
showarrow = FALSE,
xref = "paper", yref = "paper"
)
)El gráfico permite evaluar la efectividad del esquema de metas de inflación:
# Calcular métricas clave
ultimo_mes <- ipc_processed %>% filter(date == max(date))
inflacion_actual <- data.frame(
"Indicador" = c("Mes", "IPC", "Inflación Mensual", "Inflación Anual", "Inflación Acumulada"),
"Valor" = c(
format(ultimo_mes$date, "%B %Y"),
round(ultimo_mes$ipc_index, 1),
paste0(ultimo_mes$monthly_inflation, "%"),
paste0(ultimo_mes$annual_inflation, "%"),
paste0(ultimo_mes$accumulated_inflation, "%")
)
)
# Mostrar resultados en una tabla
knitr::kable(inflacion_actual, caption = "Indicadores de Inflación - Último Mes Disponible")| Indicador | Valor |
|---|---|
| Mes | abril 2025 |
| IPC | 107.9 |
| Inflación Mensual | 0.2% |
| Inflación Anual | 4.5% |
| Inflación Acumulada | 2.2% |
La tabla muestra la situación inflacionaria actual, permitiendo:
Última actualización: 19 de mayo de 2025
Comentario: Código en desarrollo para automatización de reportes inflacionarios.
Próximas mejoras incluirán: